基于Stacked LSTM的故障诊断方法技术

本发明专利技术公开了一种基于Stacked LSTM的故障诊断方法，首先采集化工系统在正常状态和K种故障状态下各个测量设备的测量数据，构建得到训练样本，然后构建基于Stacked LSTM的故障诊断模型，包括Stacked LSTM网络、全连接层以及softmax层，其中Stacked LSTM网络由D层LSTM网络叠加得到，采用训练样本对故障诊断模型进行训练，在化工系统运行过程中采集实际运行数据并构建输入序列输入至基于Stacked LSTM的故障诊断模型中，得到故障识别结果。本发明专利技术通过堆叠多层LSTM网络形成Stacked LSTM网络，能够在不同时间尺度下自动提取原始数据的动态时序信息，并且对于复杂非线性数据具有较强的表达能力，从而提高故障诊断的准确率和鲁棒性。

Fault diagnosis method based on stacked LSTM

【技术实现步骤摘要】
基于StackedLSTM的故障诊断方法
本专利技术属于化工过程故障诊断
，更为具体地讲，涉及一种基于StackedLSTM的故障诊断方法。
技术介绍
目前随着现代化工过程的日益庞大和复杂化，运行工况和操作环境也愈加多变，带来企业生产效率提高的同时，也使得过程故障发生的几率增大。若在生产过程中发生故障，可能会带来巨大的经济损失甚至人身伤害，所以要保证生产过程可靠、高效运行，需要准确及时的诊断故障的技术。近年来，随着伴随机器学习、模式识别、人工智能等的发展，基于数据驱动的故障诊断方法成为故障技术研究领域的研究热点。传统基于数据驱动的故障诊断方法都是信号处理技术和人工智能技术的结合，代表性的方法有运用主成分分析(PCA)、小波包分解(WPD)、傅里叶变换(FTT)等方法提取特征，然后将提取的特征输入到分类器中，这样的分类器主要有支持向量机(SVM)、多层感知机(MLP)、人工神经网络(ANN)等。然而这些方法的模型是浅层结构，在随着监测数据越来越庞大的情况下会面临着维数灾难和对复杂非线性对象学习能力有限等问题；以及传统的故障诊断技术往往需要通过先验知识和专家意见提取。而且当前化工生产过程故障的产生以及故障类型是依赖于先前时刻系统的某个状态，即生产过程的观测信号具有时序特性。观测信号之间的时序关系是故障诊断的一个重要信息，如何准确地提取时序信息时提高故障诊断的关键。然而现有的传统故障诊断技术没有考虑观测信号之间的时序关系，并假设各个时刻所采集的信号是相互独立的，难以准确提取时序信息。专利
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于StackedLSTM的故障诊断方法，通过堆叠多层LSTM网络形成StackedLSTM网络，能够在不同时间尺度下自动提取原始数据的动态时序信息，并且对于复杂非线性数据具有较强的表达能力，从而提高故障诊断的准确率和鲁棒性。为实现上述专利技术目的，本专利技术基于StackedLSTM的故障诊断方法包括以下步骤：S1：采集化工系统在正常状态和K种故障状态下各个测量设备的测量数据，记第k种运行状态下采样时刻r的数据向量其中k＝0表示正常状态，k＝1,2,…,K表示故障状态序号，r＝1,2,…,Rk，Rk表示第k种运行状态的采样时刻数量，表示第k种运行状态下采样时刻r时第n个测量设备的测量数据，n＝1,2,…,N，N表示测量设备数量；S2：分别对每种运行状态下的测量数据进行标准化处理，得到标准化后的数据向量S3：将每种运行状态下经过标准化处理的数据向量按照采样时刻构成序列采用长度为T的滑动窗口对序列进行滑窗处理，提取得到子序列其中h＝1,2,…,Hk，Hk表示第k种运行状态下所提取到的子序列数量，表示子序列中第t个数据向量，t＝1,2,…,T；将提取得到的子序列作为输入序列，所对应的运行状态序号k作为输出，构建得到训练样本；S4：构建基于StackedLSTM的故障诊断模型，包括StackedLSTM网络、全连接层以及softmax层，其中：StackedLSTM网络由D层LSTM网络叠加得到，记每层LSTM网络中的LSTM计算单元数量为T，第d层LSTM网络的第t时刻计算单元的计算流程如下：其中，d＝1,2,…,D，分别表示第d层LSTM网络的第t时刻计算单元中的输入门、遗忘门、输出门、候选记忆细胞、记忆细胞以及隐藏状态的计算值；当d＝1时Y为输入序列中第t个数据向量，当d＞1时Y为第d-1层LSTM网络的第t时刻的输出值为第d层LSTM网络中第t-1时刻计算单元的输出值，当t＝1时，为0向量；为预设的权重参数；为预设的偏置参数；σ()为sigmoid函数，tanh()为双曲正切函数，⊙表示对应元素相乘；StackedLSTM网络中第D层LSTM网络各个时刻计算单元将计算得到的隐藏状态计算值输出至全连接层，全连接层据此计算得到特征向量并发送至softmax层，由softmax层对特征向量进行分类，得到输入序列对应的运行状态序号；S5：采用步骤S3中各训练样本中的子序列作为故障诊断模型的输入序列，所对应的运行状态序号k作为期望输出，对基于StackedLSTM的故障诊断模型进行训练；S6：在化工系统运行过程中，按照预设采样周期采集N个测量设备的测量数据，对最近T个采样时刻的数据向量X′t＝[x′t1,x′t2,…,x′tN]采用步骤S2中的标准化方法进行标准化处理，得到标准化后的数据向量其中x′tN表示采样时刻t时第n个测量设备的测量数据，表示测量数据x′tN标准化后的数据，然后构建得到序列将其输入步骤S5训练好的基于StackedLSTM的故障诊断模型中，得到故障识别结果。本专利技术基于StackedLSTM的故障诊断方法，首先采集化工系统在正常状态和K种故障状态下各个测量设备的测量数据，构建得到训练样本，然后构建基于StackedLSTM的故障诊断模型，包括StackedLSTM网络、全连接层以及softmax层，其中StackedLSTM网络由D层LSTM网络叠加得到，采用训练样本对故障诊断模型进行训练，在化工系统运行过程中采集实际运行数据并构建输入序列输入至基于StackedLSTM的故障诊断模型中，得到故障识别结果。本专利技术所构建的基于StackedLSTM的故障诊断模型，通过叠加多层LSTM加深网络的深度，从而增强网络的对输入原始数据的表达能力和网络的对特征提取的能力；使用LSTM网络作为故障诊断模型的基本网络，其具备长短时间记忆的能力，能够学习输入故障数据的时序信息，将数据之间的时序关系加入到模型中，从而充分挖掘故障数据之间时序相关性，最后使得故障诊断的准确性和抗噪性得到显著提高。附图说明图1是本专利技术基于StackedLSTM的故障诊断方法的具体实施方式流程图；图2是本专利技术中基于StackedLSTM的故障诊断模型的结构图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。实施例图1是本专利技术基于StackedLSTM的故障诊断方法的具体实施方式流程图。如图1所示，本专利技术基于StackedLSTM的故障诊断方法的具体步骤包括：S101：采集历史数据：采集化工系统在正常状态和K种故障状态下各个测量设备的测量数据，记第k种运行状态下采样时刻r的数据向量其中k＝0表示正常状态，k＝1,2,…,K表示故障状态序号，r＝1,2,…,Rk，Rk表示第k种运行状态的采样时刻数量，表示第k种运行状态下采样时刻r时第n个测量设备的测量数据，n＝1,2,…,N，N表示测量设备数量。S102：历史数据标准化：分别对每种运行状态下的测量数据进行标准化处理，得到标准化后的数据向本文档来自技高网...

【技术保护点】
1.一种基于Stacked LSTM的故障诊断方法，其特征在于，包括以下步骤：/nS1：采集化工系统在正常状态和K种故障状态下各个测量设备的测量数据，记第k种运行状态下采样时刻r的数据向量

【技术特征摘要】
1.一种基于StackedLSTM的故障诊断方法，其特征在于，包括以下步骤：
S1：采集化工系统在正常状态和K种故障状态下各个测量设备的测量数据，记第k种运行状态下采样时刻r的数据向量其中k＝0表示正常状态，k＝1,2,…,K表示故障状态序号，r＝1,2,…,Rk，Rk表示第k种运行状态的采样时刻数量，表示第k种运行状态下采样时刻r时第n个测量设备的测量数据，n＝1,2,…,N，N表示测量设备数量；
S2：分别对每种运行状态下的测量数据进行标准化处理，得到标准化后的数据向量
S3：将每种运行状态下经过标准化处理的数据向量按照采样时刻构成序列采用长度为T的滑动窗口对序列进行滑窗处理，提取得到子序列其中h＝1,2,…,Hk，Hk表示第k种运行状态下所提取到的子序列数量，表示子序列中第t个数据向量，t＝1,2,…,T；将提取得到的子序列作为输入序列，所对应的运行状态序号k作为输出，构建得到训练样本；
S4：构建基于StackedLSTM的故障诊断模型，包括StackedLSTM网络、全连接层以及softmax层，其中：
StackedLSTM网络由D层LSTM网络叠加得到，记每层LSTM网络中的LSTM计算单元数量为T，第d层LSTM网络的第t时刻计算单元的计算流程如下：













<...

【专利技术属性】
技术研发人员：凡时财，张清清，邹见效，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51